【技术实现步骤摘要】
一种基于双分支卷积神经网络的向日葵种子分选方法
本专利技术涉及图像处理
,特别是指一种基于双分支卷积神经网络的向日葵种子分选方法。
技术介绍
自动分选技术在工业、农业和商业有着非常广阔的发展和应用前景。尤其在农业种子的分选任务中,由于农业市场对种子质量要求的不断严格化和精细化,提高市场中的作物种子的质量已经成为农业生产中的重要任务。在向日葵种子的收获和存储过程中会有大量异常种子的混入,导致种子产品在市场上的竞争力不足。如何高效准确的对向日葵种子中的异常种子进行识别实现分选,这在农业领域中仍然是一个相对比较棘手的问题。异常向日葵种子的种类繁多(缺陷、变质等)与正常向日葵种子具有种间相似性,采用传统的人工检测方法,在实际的生产中效率非常低。而传统的基于人工提取的低级特征的图像识别算法由于无法有效的提取具有判别性的特征,在向日葵种子的分选中具有自适应性不强的问题。所以寻找一种可以替代传统种子分选的方法,对不同的作物种子的识别和分类研究具有重要的意义和应用价值。近年来,卷积神经网络由于能够通过大量的图像数据自动的学习并提取到丰富的低级特征和高级特征在图像识别任务上取得了巨大的突破。然而,这些卷积神经网络比较复杂,实时性低。此外,仅在一些数据量非常大的数据集上取得较高的准确度。因此,在向日葵种子的识别中,迫切需要一种鲁棒性高并且轻量的算法。
技术实现思路
针对上述
技术介绍
中存在的不足,本专利技术提出了一种基于双分支卷积神经网络的向日葵种子分选方法,解决了现有卷积神经网络比较复杂、实时性低的技术 ...
【技术保护点】
1.一种基于双分支卷积神经网络的向日葵种子分选方法,其特征在于,其步骤如下:/nS1、利用图像采集设备获取向日葵种子的原始图像,并对向日葵种子的原始图像进行标注类标签,将标注后的向日葵种子的原始图像分成训练集和测试集;/nS2、通过的图像旋转方式分别对训练集和测试集进行数据扩增,形成扩增训练集和扩增测试集;/nS3、构建网络结构为输入层-特征提取层-输出层的双分支卷积神经网络;/nS4、将扩增训练集输入步骤S3中的双分支卷积神经网络进行训练,得到基于双分支卷积神经网络的向日葵种子分选模型;/nS5、利用扩增测试集对步骤S4得到的向日葵种子分选模型进行验证,测试向日葵种子分选模型的识别能力。/n
【技术特征摘要】
1.一种基于双分支卷积神经网络的向日葵种子分选方法,其特征在于,其步骤如下:
S1、利用图像采集设备获取向日葵种子的原始图像,并对向日葵种子的原始图像进行标注类标签,将标注后的向日葵种子的原始图像分成训练集和测试集;
S2、通过的图像旋转方式分别对训练集和测试集进行数据扩增,形成扩增训练集和扩增测试集;
S3、构建网络结构为输入层-特征提取层-输出层的双分支卷积神经网络;
S4、将扩增训练集输入步骤S3中的双分支卷积神经网络进行训练,得到基于双分支卷积神经网络的向日葵种子分选模型;
S5、利用扩增测试集对步骤S4得到的向日葵种子分选模型进行验证,测试向日葵种子分选模型的识别能力。
2.根据权利要求1所述的基于双分支卷积神经网络的向日葵种子分选方法,其特征在于,所述步骤S1中的图像采集设备为线阵数字相机组,向日葵种子的原始图像的类标签为正常和异常。
3.根据权利要求1所述的基于双分支卷积神经网络的向日葵种子分选方法,其特征在于,所述特征提取层的结构为茎模块-双分支密集连接模块I-双分支密集连接模块II-降采样模块I-双分支密集连接模块III-双分支密集连接模块IV-降采样模块II-双分支密集连接模块V-双分支密集连接模块VI-降采样模块III;所述输出层的结构为全局平均池化层-全连接层-Softmax分类器。
4.根据权利要求3所述的基于双分支卷积神经网络的向日葵种子分选方法,其特征在于,所述茎模块包括卷积层I、卷积层II、卷积层III、卷积层IV、最大池化层I和特征拼接层I,卷积层I分别与输入层、最大池化层I和卷积层II相连接,卷积层II与卷积层III相连接,最大池化层I和卷积层III均与特征拼接层I相连接,特征拼接层I与卷积层IV相连接,卷积层IV与双分支密集连接模块I相连接。
5.根据权利要求3所述的基于双分支卷积神经网络的向日葵种子分选方法,其特征在于,所述双分支密集连接模块I、双分支密集连接模块II、双分支密集连接模块III、双分支密集连接模块IV、双分支密集连接模块V和双分支密集连接模块VI均包括卷积层V、卷积层VI、卷积层VII、卷积层VIII、卷积层IX和特征拼接层II,卷积层V与卷积层VI相连接...
【专利技术属性】
技术研发人员:李春雷,刘洲峰,栾争光,赵亚茹,朱永胜,董燕,
申请(专利权)人:中原工学院,
类型:发明
国别省市:河南;41
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。